Kimi Claw，国内第一批「吃」上 OpenClaw 的 AI。
2026 年，一只小龙虾搅翻了整个 AI 圈，年后 OpenClaw 余热还在继续发力。
近期，多家国内模型厂商先后推出对标 OpenClaw 的产品，Mini Max 推出的 MaxClaw，Kimi 推出的 Kimi Claw，显然，OpenClaw 所展现出的 AI 执行力，以及开发者们对 AI 执行结果所展现出来的包容程度让市场看到了价值空间。
在一众对标产品中，Kimi Claw 的定位比较清晰，它并非从零自研的 Claw 产品，而是基于 OpenClaw 的托管云服务，数据托管在 Moonshot 云端，并且直接配置了 5000+ ClawHub 社区技能。
它的优点在于使用较为稳定，部署方便，上手简单，且依托于云，可以实现 24/7 在线执行运转。打开 Kimi 官网，只需要你一键点击创建，Kimi 就会直接部署 Kimi Claw。
Kimi Claw 一键部署｜图片来源：极客公园
换句话来说，Kimi Claw 并也不是一个独立新产品，它本质上就是一台为用户远程开好的虚拟机，让用户通过 Kimi 直接访问运行在云端的 OpenClaw 环境。
它没有做任何功能删减，也没有额外封装，和本地部署 OpenClaw 几乎没有区别，只是把部署、配置、环境搭建这一步替用户完成了，但并没有对 OpenClaw 部署之后的**过程做任何处理。如果没有学会正确给出指令、合理安排任务，其上手难度仍然比较高。
对于从未接触过 OpenClaw 类产品的用户来说，这也会导致一个预期错位，用户以为接入 OpenClaw 就可以做自动化 AI 执行，但其实只是多了一个便携接口，后续仍有很多设置需要自己探索。也因此，为 OpenClaw 类产品提供一些热门的预置 Skills 将会成为不少 AI 模型厂商接下来重点发力的方向。
目前 Kimi Claw 仍处于 Beta 测试阶段，仅对 Kimi Allegretto 以上的会员开放使用权限。
30 分钟搭建自动化办公工作流：
理想很丰满，落地有门槛
我们发现，很多用户和我们一样，接入 OpenClaw 之后，依然摸不清 AI 的执行能力边界，对它到底能做什么、不能做什么充满好奇，但也充满未知，不知道接入之后该从哪里下手。
其实，目前不管是本地部署 OpenClaw 这类自动化 AI，还是直接接入 Kimi Claw 这样的外接入口，整体的使用思路其实可以分成从 0 开始搭建应用和从 0.5 开始优化应用两条路径，我们分别从这两种方式做了实际体验，首先选择从 0 开始开发一个应用，优化工作流。
在体验 Kimi Claw 之前，我先审视了自己有哪些工作可以被打造成一个固定的工作流，或者我的工作流中可以有哪些任务在 AI 加持之下变得更好。而在此之前，我所需要考虑的仅是我与哪个类型的 AI 工具交互可以得到更好的结果。
我选择了工作日记环节，结合每天的工作流，工作记录、工作总结、工作反思等环节最后输出一份当日工作报告。找份报告过去都是个人耗时填写，现在我希望可以 AI 自动抓取，再结合对话式交互自动形成表格。
我先将大致思路递给 AI 优化指令，最后从角色定义、技能配置、数据接入、核心工作流、多媒体表格结构、记忆重点、权限与边界等多个层面给出一个非常长的复杂指令，递给 Kimi Claw。
Kimi Claw 很快分析完指令后，和我确认执行细节。比如说，基础信息、飞书权限、数据存储和触发方式。随后我们开始按照指令去飞书平台搭建飞书应用，并且将把 App ID 和 App Secret 发给 Kimi Claw。
其中有个环节需要在飞书内搭建表格的时候，我让 Kimi Claw 直接给我表格的样式，再递给飞书内置的 AI 系统，让飞书自动搭建表格。
Kimi Claw 搭建的应用页面之一｜图片来源：极客公园
在经历了找不到协作者、找不应用页面、找不到 ID 等一系列问题，大约半小时后，我成功接收到了来自 Kimi Claw 的第一条消息。
搭建这个 bot 的速度比我预期要更快。遇到问题时，我会把卡在哪一环直接告诉 Kimi Claw，然后在其给出的方案中选择合适的思路去执行，如果给出的方案没有合适的，会继续追问 Kimi Claw 其他解决方法。
Kimi Claw 一键部署至飞书｜图片来源：极客公园
搭建工作流时，跨平台能力的重要性也更加凸显。接连开放 12 条飞书权限之后，我最终搭建 AI 应用并未完成理想状态。其中，我希望 AI 通过阅读我与他人的聊天记录，从而梳理出我的工作任务，但几轮尝试后，AI 应用获取的群聊列表仍为空，并表示飞书 AI 应用要求 AI 只能读取自己参与的会话，应用无法读取群聊列表。
整体体验下来，我认为 Kimi Claw 对一些常规工作流平台比如说飞书、钉钉等开发者工具比较熟悉，基本上给出的指令都能够直接找到对应的执行方式，0 基础用户也能够读懂并执行。但这类企业应用会对自身的信息权限比较看重，开放配置条件也较为严格，或许想要 AI 真正融入工作流，不仅看 Kimi Claw 这类开放者的工具，也需要等待更合适与 AI 融合的应用出现。
而且，运转过程中会出现不少 bug，比如，在此过程中，用户与 Kimi Claw 的交互任务、正在运行的 Agent 任务，会被误统计进个人工作安排。学会修改 bug 也成为** AI 的关键一环。
如果选择从 0 主动定制自己想要的应用或者功能，就需要用户想好清晰的操作路径，具备基本的产品思维。要明确信息输入与输出两端接口的开放程度和连通性，同时控制好每次调用与运行的成本。
本次工作流搭建，全程 token 消耗约 15k-25k，按照 Kimi 的计价方式，大约 1 元左右。但每天大概花费 0.53 元，一个月大约在 15.9 元左右。
自动化 AI 新闻助手搭建实测：
「预制」应用上手快，修改难
除了让 AI 定制化打造一个我设想的应用外，我还体验了一些「预制」应用，比如说让 Kimi Claw 自动抓取新闻。
在我们做第一轮自动化新闻抓取任务时，尝试让 Kimi Claw 抓取某科技新闻媒体官网。当我们给出指令为：
请监控 xxxx 的行业网站，总结最近一周以及未来 3 天内，每当有包含「AI」关键词的新文章发布时，请自动抓取标题、摘要、发布时间，并将这些内容汇总到一个在线表格。同时，请在报告中按照我设定的风格进行爆款文章分析。
Kimi Claw 会询问我们具体配置信息，但第一轮新闻抓取任务时，我们发现不少官网其实都有反爬虫设置，很难去做优质网站的信息监控。Kimi Claw 也很难给出准确的范围抓取，因此会出现空转的情况，而每一次空转都意味着出现大量的 tokens 被消耗。
该监控任务从今天凌晨 4 点到 11 点共运行约 8 次，消耗约 180K tokens，花费约 3.68 元。如果按原设置每小时运行一次，每天成本约 11 元，每月将花费接近 330 元。
随后，我们请教了相关人士后，开始放弃自己写指令，转而从相关 ClawHub 等网站下一个相关指令压缩包，基于此基础指令后，继续定制相关新闻。
将 Clawhub 的文件部署至 Kimi Claw｜图片来源：极客公园
随后，我们对中文媒体、新闻筛选条件以及信息发送次数、时间均做了较为详细的设定。最后能够获得一版不错的 AI 新闻抓取结果。
Kimi Claw 自动抓取结果｜图片来源：极客公园
很显然，如果只是被动使用预制好的应用，重点则是学会筛选优质的技能包（skills），并且能根据自身场景，对现成功能做适配调优。
但如果想对这些预制好的 AI 应用做定制化修改，往往又会绕回从零搭建应用时遇到的那些难题，开发优化的难度不低，最终改出来的效果也未必理想。
这个过程里，使用者其实需要花大量时间，去体验同一类产品里不同 Skills 的便捷度、适配性，再决定到底基于哪一类 Skills 去做二次开发、修改和扩展。这些其实也考量用户的产品思维。
Kimi Claw 使用观感：
AI 执行力加强，指令就是生产力
现在的现阶段 Kimi Claw 的核心价值，只是降低 OpenClaw 的部署门槛，让国内用户能快速接入。但产品本身不自带场景、不自带技能，更像是一个「转接口」，而非「成品」。
我们在体验过程中同样发现，尽管 Kimi Claw 底层调用的虽然也是 Kimi K2.5 模型，但它是「裸模型+原生 OpenClaw」的组合，没有继承 Kimi 官网版经过搜索团队深度优化的多轮搜索、内容强化、自动纠错等能力。
换句话说，官网 Kimi 好用，是因为背后有专门团队对模型在用户高频场景上做了大量优化、自动补全能力；而 OpenClaw 环境里接入的「裸」模型，更接近直接调用 API，没有进行专门优化，所以会出现同样的指令，递给 Kimi Claw 呈现的效果不如直接递给 Kimi K2.5 模型。
深度体验后我能明显感知，Kimi Claw 和传统 AI、普通 Agent 产品的核心差异，集中体现在 AI 执行力与指令重要性两大维度，这也是使用这类产品的关键逻辑。
首先在执行力上，Kimi Claw 能在你不使用电脑时，同样能够执行任务，而非传统用户给出指令，然后一直等待任务完成的模式。我甚至可以告诉 Kimi Claw 这个指令在什么时候执行，等我开机时能直接看到每一次定时输出的结果。但同时也提醒我，对一些体验性的应用记得设立停止终点，减少不必要的资源消耗。
其次在指令上，过去我与 AI 的指令都会比较简洁、直击问题，当 AI 给出的解决方向不对时，再继续调整。但 Kimi Claw 每一次运行复杂指令的时候，都会调用大量 Agent 协助，消耗的 tokens 也会成倍上涨，因此在给出指令时需要明确操作方式，权限范围、执行路径以及安全性和成本控制。
比如说，过去我查询新闻时的指令时「给出 10 条有关 OpenClaw 的新闻线索，并告诉我其新闻关注价值」，现在我给出的指令则是：
作为信息检索专员，你拥有使用网络搜索工具的权限（限用 web_search 和 web_open_url，禁止访问需登录的付费新闻库），但需在以下约束内执行：
1) 先执行关键词"OpenClaw 最新动态"搜索，仅获取前 5 条高权重结果（优先技术媒体和官方博客，排除论坛水帖）；
2) 分析每条的新闻价值时，严格限定在"技术突破"、"商业影响"、"安全隐患"三个维度，每个维度用一句话概括，禁止展开论述无关背景；
3) 全程禁用浏览器自动化点击和深度爬虫技能，避免触发反爬机制和额外 token 消耗；
4) 输出格式为表格：新闻标题 | 来源 | 关注价值标签 | 简要依据（≤30 字/条）；
5) 若搜索结果不足 10 条，立即停止补充搜索，直接按实际数量输出，禁止为了凑数发起二次 broad search。预计 token 预算控制在 8K 以内，发现路径偏离时立即终止并汇报而非自行修正。
多数情况下，我甚至会让 AI 优化一下我的指令表达，然后再递给 Kimi Claw。只有给出具体、准确的指令，才能在合理的 token 消耗范围内获得最佳成果。甚至，不少公开论坛上，专门为 OpenClaw 准备的 Skills 库也能够帮助用户更好地上手一些热门应用玩法。
精准、具象的指令，是在合理 token 消耗内获得优质结果的前提，使用 Kimi Claw 的过程，本质就是用户在模型能力、输出结果、使用成本之间做权衡的过程。
Kimi Claw ｜图片来源：极客公园
最后是，** AI。
即便你快速搭建好的一个 AI 应用之后，你会发现这个 AI bot 并不会一开始就好用。它对于诸多指令的划分，任务的合并其实与人类的理解会有比较大的差异，你仍然需要一轮又一轮的指令**去探索产品的边界。尤其是，很多信息源的接口并不完全对外公开。这其中，想要真正做好信息权的接入和让渡都不是一件易事。
说到底，目前 Kimi Claw 展现出来的应用效果，绝不是一个简单的 Chatbot 之类的 AI 应用，拥有许多 AI 功能供用户直接使用，而是一个需要用户理解开发过程，并且能够在诸多综合权衡后做出选择的开发者工具。只不过这个开发者工具能够支持一些简单化的自动化部署。
自动化 AI 依然有发展空间
尽管 OpenClaw 从 2026 年开始彻底点燃了人们对自动化 AI 的想象，但从近期频发的安全事件与新产品实测体验来看，OpenClaw 至今仍只是一把钥匙、一个契机，而非最终答案。
无论是可落地的真实场景，还是可规模化的商业化路径，AI 行业至今仍未走出一条清晰、成熟的路线。与之相对的是，市场在一轮又一轮的热度炒作中不断抬高对 Claw 类产品预期，甚至吸引了大量普通用户去尝试超出自身能力的高风险操作。
可以确定的是，自动化 AI 从 AI 诞生第一天起就被行业重视，但 OpenClaw 以及 Kimi Claw，能否跑出真正成功、可规模化的产品，依然存在巨大的待验证空间。尤其是现在这类 AI 工具会直接拿到修改你终端、文件的权限。
在早期大家对 AI 的能力边界还不清晰，很多新手小白直接把权限放开，很难想到做安全限制以及二次权限确认。把这么高的操作权交给 AI，本质上也是系统风险直接开口。这也是为什么，这类产品想真正规模化、商业化，安全和权限治理，会是比「能力强不强」更难迈过去的坎。
从直接与大模型对话，到与单一 Agent 交互，再到与 Agent 集群协作，再到如今 OpenClaw 的使用方式，行业在同一段 AI 能力基础上，衍生出了大量功能相似、路径不同的尝试。这恰恰说明，整个行业仍处在 AI 功能探索期，除了 ChatGPT 这类成熟稳定的交互范式之外，人们对于 Agent、Claw 等新形态的使用逻辑、边界与价值，仍在集体摸索。
或许，要等到 2026 年走完，我们才能真正看到一批稳定、可用、具备真实价值的自动化 AI 应用落地。
文章来自于微信公众号 "极客公园"，作者 "极客公园"
